Künstliche Intelligenz wird oft als monolithische Lösung verstanden – dabei zeigt diese Folge eindrucksvoll, warum genau das zum Scheitern vieler Projekte führt. Host Dave König spricht mit Dr. Benjamin Linnik, promovierter Physiker und AI Tech Lead, über den realistischen Einsatz von KI in Unternehmen, die Rolle klassischer Data-Science-Methoden und warum technologische Demut heute wichtiger ist als jedes Buzzword.
\nAusgehend von Linniks Physik-Hintergrund wird deutlich: Modelle sind nie endgültig. Erkenntnisse sind immer vorläufig – genau wie KI-Systeme, die modular, austauschbar und anpassbar bleiben müssen. Statt teurem Fine-Tuning großer Sprachmodelle plädiert Linnik für pragmatische Ansätze wie Prompt-Engineering, Guardrails, RAG-Systeme und zunehmend MCP-basierte Schnittstellen.
\nIm Fokus stehen Enterprise-Use-Cases wie Homologation, Regulierung und Wissensmanagement. Die Diskussion zeigt, warum nicht jedes Problem ein LLM braucht und weshalb einfache statistische Verfahren oft robuster, günstiger und besser wartbar sind. Gleichzeitig geht es um KI-Agenten, Automatisierungspotenziale und die Frage, wie Unternehmen ihre Fachlichkeit bewahren, ohne sich in technischer Komplexität zu verlieren.
\nAbgerundet wird die Folge durch eine kritische Einordnung des EU AI Acts, Energie- und Nachhaltigkeitsaspekte moderner Rechenzentren sowie ein unterhaltsames Tech-O-Myth-Fact-Spiel, das die Grenzen zwischen Realität und KI-Halluzination sichtbar macht.
\n–––
\nKapitelübersicht:
\n0:00 – 0:16 Intro
\n0:16 – 4:21 • Vom Physiker zum AI Tech Lead
\nDr. Benjamin Linnik erklärt, warum ein Physikstudium kein Umweg, sondern eine ideale Grundlage für moderne KI- und Data-Science-Projekte ist.
\n4:34 – 12:36 • Physik, Modelle und datengetriebene Entscheidungen
\nWarum datengetriebene Unternehmen im Kern wie physikalische Systeme funktionieren – und was Mathematik über Geschäftsprozesse verrät.
\n12:42 – 24:03 • Warum KI-Systeme nie statisch sein dürfen
\nEin Plädoyer für modulare, austauschbare Architekturen in einer Welt, in der sich Modelle schneller verändern als Organisationsstrukturen.
\n24:09 – 32:58 • Fine-Tuning, Prompting und Guardrails
\nWeshalb teures Fine-Tuning oft die falsche Wahl ist und wie sich KI-Systeme durch kluges Prompting und Absicherung robuster betreiben lassen.
\n33:10 – 37:06 • Fachlichkeit, RAG und Enterprise-Use-Cases
\nWie Unternehmen Fachwissen nutzbar machen, ohne eigene Modelle zu trainieren – und warum RAG ein pragmatischer Zwischenschritt ist.
\n37:18 – 47:56 • KI-Agenten, MCP und lebende Systeme
\nVon doppelter Datenhaltung zu agentischen Schnittstellen: Warum MCP klassische RAG-Architekturen ablöst und Systeme „lebendig“ macht.
\n48:11 – 54:03 • Tech-O-Myth-Facts & Energiefragen
\nEin spielerischer Realitätscheck zu KI-Mythen – inklusive überraschender Einblicke in Energieverbrauch, Rechenzentren und Nachhaltigkeit.
\n54:10 – 56:24 • EU AI Act, Ethik & Verantwortung
\nZwischen Regulierung und Innovation: Warum gute Gesetze Ziele definieren sollten – und nicht technische Lösungen vorschreiben.
\n56:24 – 56:44 Outro
\n–––
\nDie Top 3 Learnings dieser Episode:
\n1. Nicht jedes Problem braucht ein LLM – oft reichen robuste Data-Science-Methoden.
\n2. KI-Systeme müssen modular, austauschbar und auf schnellen Wandel ausgelegt sein.
\n3. Regulierung sollte Ziele definieren, nicht Innovation technisch festschreiben.
\n–––
\nMehr über Dr.Benjamin Linnik:
\nhttps://www.linkedin.com/in/benny587268/
\n---
\nMehr über Dave König aka Frickeldave:
\n---
\nMehr über die DOAG:
\n---
\nAnstehende DOAG-Konferenzen:
\nDevLand 2026 | 12. & 13. März | Europa-Park Rust
\n\nAPEX connect 2026 | 18. - 20. Mai | Heide Park Soltau
\nhttps://apex.doag.org/de/home/
\nDOAG 2026 Datenbank mit Cloud Infrastructure | 18. - 19. Mai | Heide Park Soltau
\nhttps://datenbank.doag.org/de/home/
\nCloudLand 2026 | 19. - 22. Mai | Heide Park Soltau
\n\n","author_name":"Various Experts & Special Interested IT-People"}